Erste SchritteKostenlos loslegen

KernelExplainer für MLPRegressor

Da du mit den Zulassungsdaten vertraut bist, verwendest du den SHAP-KernelExplainer, um einen MLPRegressor zu erklären, der mit diesen Daten trainiert wurde. Mit dieser Methode kannst du kritisch beurteilen, wie sich verschiedene Merkmale auf die Vorhersagen des Modells auswirken, und diese Erkenntnisse mit deinem bisherigen Verständnis des Datensatzes abgleichen.

X mit den Prädiktoren und y mit den Zulassungsentscheidungen wurden zusammen mit dem vortrainierten MLPRegressor-Modell (model) bereits geladen.

Diese Übung ist Teil des Kurses

Erklärbare KI in Python

Kurs anzeigen

Anleitung zur Übung

  • Erstelle einen SHAP-KernelExplainer mit dem MLPRegressor-Modell (model) und einer k-means-Zusammenfassung von 10 Stichproben aus X.
  • Generiere shap_values für X.
  • Berechne die mittleren absoluten SHAP-Werte, um die wichtigsten Faktoren zu ermitteln, die sich auf die Zulassungen auswirken.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

import shap

# Create a SHAP Kernel Explainer
explainer = ____

# Calculate SHAP values
shap_values = ____

# Calculate mean absolute SHAP values
mean_abs_shap = ____

plt.bar(X.columns, mean_abs_shap)
plt.title('Mean Absolute SHAP Values for MLPRegressor')
plt.xticks(rotation=45)
plt.show()
Bearbeiten und Ausführen von Code